基于密度聚类的多向行人流群集区域分布比较

doi:10.3976/j.issn.1002-4026.2021.05.009

山东科学 ›› 2021, Vol. 34 ›› Issue (5): 64-74.doi: 10.3976/j.issn.1002-4026.2021.05.009

基于密度聚类的多向行人流群集区域分布比较

孙悦朋¹，郭仁拥^2*，于涛¹

1.内蒙古大学计算机学院,内蒙古呼和浩特 010021；2.北京航空航天大学经济管理学院，北京 100191

收稿日期:2020-12-20 出版日期:2021-10-14 发布日期:2021-10-18
通信作者: 郭仁拥（1980—），男，博士，教授，研究方向为交通行为建模与分析。Tel: 15148066375,E-mail：buaa_guorenyong@126.com
作者简介:孙悦朋（1996—），硕士研究生，研究方向为复杂系统建模与分析，行人交通。 E-mail:imucs_syp@163.com
基金资助:
国家自然科学基金（71890972, 72021001）

Comparison among the collection region distributions of multidirectional pedestrian flows based on density clustering

SUN Yue-peng¹, GUO Ren-yong^2*，YU Tao¹

1. College of Computer Science,Inner Mongolia University, Hohhot 010021, China; 2. School of Economics and Management, Beihang University, Beijing 100191, China

Received:2020-12-20 Online:2021-10-14 Published:2021-10-18

摘要/Abstract

摘要： 为预防公共场所的行人安全事故，优化和改善人群安全管理，基于情景实验的数据，利用密度峰值算法和具有噪声的密度聚类算法，从不同时刻分布变化的角度，分别选取单走廊双向行人流、90°和120°交叉路口的行人流场景研究行人流群集区域的分布状态，并比较了两种算法的聚类效果和参数差异,得出场景实验数据中行人流群集区域的分布规律和变化特征。研究发现聚类簇在3个场景的行人移动过程中均是动态变化的，不会处在某个稳定的聚类状态。使用该方法识别密集人群的潜在群集区域及位置，可以观察场景内安全隐患区域，提前在这些区域放置引导疏散设施，同时做好全路段防护，提高行人群集疏散的效率及安全性。

关键词: 交通安全, 多向行人流, 局部群集区域分布, 聚类, 密度峰值算法, 密度聚类算法

Abstract: To prevent pedestrian safety accidents and optimize and help crowd security management in public places, the collection region distributions of crowd are studied at three common multidirectional flow intersections of 90°, 120° and single corridor two-way pedestrian flow using the density-based spatial clustering of applications with noise (DBSCN) algorithms at different times based on a dataset from scenario experiments. Moreover, the clustering effect and parameter difference of the two algorithms are compared. Study results show the collection region distribution patterns and characteristic changes of the crowd. The clusters cannot remain in a stable clustering state but vary dynamically in 3 subject scenarios. The proposed method can be used to identify potential locations of crowd, observe hidden danger areas, provide evacuation facilities in advance in such areas, and protect the entire section to improve the efficiency and safety of the evacuation process.

Key words: traffic safety, multidirectional pedestrian flow, local collection region distribution, clustering, density peak algorithm, DBSCAN algorithm

中图分类号:

U491.2⁺65

孙悦朋, 郭仁拥, 于涛. 基于密度聚类的多向行人流群集区域分布比较[J]. 山东科学, 2021, 34(5): 64-74.

SUN Yue-peng, GUO Ren-yong, YU Tao. Comparison among the collection region distributions of multidirectional pedestrian flows based on density clustering[J]. Shandong Science, 2021, 34(5): 64-74.

参考文献 23

1	GAZI V, PASSINO K M. A class of attractions/repulsion functions for stable swarm aggregations[J]. International Journal of Control, 2004, 77(18): 1567-1579. doi: 10.1080/00207170412331330021
2	陈亮, 唐铁桥, 邵益晓. 教室内桌椅结构对疏散效率的影响研究[J]. 山东科学, 2015,28(6):87-92. doi: 10.3976/j.issn.1002-4026.2015.06.014
3	WANG W L, LO S M, LIU S B, et al. Microscopic modeling of pedestrian movement behavior: interacting with visual attractors in the environment[J]. Transportation Research Part C: Emerging Technologies, 2014, 44: 21-33. doi: 10.1016/j.trc.2014.03.009
4	向南, 朱凌云, 张明敏. 情感影响下的行人动态聚集过程仿真模型[J]. 系统仿真学报, 2015, 27(10): 2395-2400. doi: 10.16182/j.cnki.joss.2015.10.025
5	陈明钿, 郑宣传, 高国飞. 行人仿真在城市轨道交通换乘站客运现状评价中的应用[J]. 山东科学, 2018, 31(4): 100-109. doi: 10.3976/j.issn.1002-4026.2018.04.016
6	姚广铮, 蔡传慈, 赵禄成, 等. 一种基于路况数据的城市道路交叉口拥堵评价指数研究[J]. 山东科学, 2020, 33(2): 91-96. doi: 10.3976/j.issn.1002-4026.2020.02.013
7	于瑞康, 赵晖. 信号交叉口行人空间分布与人车冲突行为分析[J]. 山东科学, 2017, 30(4): 80-85. doi: 10.3976/j.issn.1002-4026.2017.04.013
8	张琳琳, 李雪玮, 李振龙, 等. 基于两阶段k-means聚类的道路运行状况评价方法[J]. 交通信息与安全, 2017, 35(5): 99-105. doi: 10.3963/j.issn.1674-4861.2017.05.013
9	杨骁路, 谷远利, 邢珊珊, 等. 城市快速路交通流特性分析[J]. 山东科学, 2016, 29(3): 71-80. doi: 10.3976/j.issn.1002-4026.2016.03.013
10	ANTONINI G, THIRAN J P. Counting pedestrians in video sequences using trajectory clustering[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2006, 16(8): 1008-1020. doi: 10.1109/TCSVT.2006.879118
11	于泉, 王萌, 邓小惠. 基于向前搜索和k均值聚类的信号交叉口行人群集分类方法研究[J]. 重庆交通大学学报(自然科学版), 2015,34(1):100-104.
12	SAHANI R, OJHA A, BHUYAN P K. Service levels of sidewalks for pedestrians under mixed traffic environment using genetic programming clustering[J]. KSCE Journal of Civil Engineering, 2017, 21(7): 2879-2887. doi: 10.1007/s12205-017-0042-y
13	杜胜兰, 李枫, 黄长青, 等. 基于轨迹数据的武汉大学学生行为规律分析[J]. 测绘地理信息, 2017,42(1):91-95. doi: 10.14188/j.2095-6045.2017.01.023
14	孙悦, 宋瑞, 邱果. 基于乘客需求数据的定制商务班车站点选址方法[J]. 山东科学, 2019,32(1): 102-112. doi: 10.3976/j.issn.1002-4026.2019.01.014
15	RODRIGUEZ A, LAIO A. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492-1496. doi: 10.1126/science.1242072
16	陈叶旺, 申莲莲, 钟才明, 等. 密度峰值聚类算法综述[J]. 计算机研究与发展, 2020,57(2):378-394.
17	CAO S C, SEYFRIED A, ZHANG J, et al. Fundamental diagrams for multidirectional pedestrian flows[J]. Journal of Statistical Mechanics: Theory and Experiment,2017(3): 033404. doi: 10.1088/1742-5468/aa620d
18	HOLL S.Methoden für die Bemessung der Leistungsfahigkeit multidirektional genutzter FuBverkehrsanlagen[EB/OL].[2020-10-20]. http://hdl.handle.net/2128/13519.
19	BOLTES M, SEYFRIED A, STEFFEN B, et al. Automatic extraction of pedestrian trajectories from video recordings[C]//Pedestrian and Evacuation Dynamics 2008, 2010: 43-54. doi: 10.1007/978-3-642-04504-2_3
20	BOLTES M, SEYFRIED A. Collecting pedestrian trajectories[J]. Neurocomputing, 2013, 100: 127-133. doi: 10.1016/j.neucom.2012.01.036
21	YOU L, HU J, GU M S, et al. The simulation and analysis of small group effect in crowd evacuation[J]. Physics Letters A, 2016, 380(41): 3340-3348. doi: 10.1016/j.physleta.2016.08.012
22	李芳, 狄月, 陈绍宽, 等. 考虑客流引导和小群体行为的地铁车站疏散模型[J]. 西南交通大学学报, 2019,54(3):587-594.
23	任常兴, 吴宗之, 刘茂. 城市公共场所人群拥挤踩踏事故分析[J]. 中国安全科学学报, 2005(12):102-106. doi: 10.16265/j.cnki.issn1003-3033.2005.12.024

[1]	孟勃, 孔祥科, 李树彬. 基于复杂网络的交通序列数据特性[J]. 山东科学, 2024, 37(1): 107-117.
[2]	曲欣宇, 叶博嘉, 程予, 雷昌定. 物流无人机城市低空轴辐式网络构建方法研究[J]. 山东科学, 2023, 36(6): 86-95.
[3]	刘春生, 曹蓉, 王晓晗, 赵鹤然, 贾健民. 基于门架数据的高速公路运行状态评价研究[J]. 山东科学, 2023, 36(3): 100-107.
[4]	李传耀, 陈依婷. 自主式交通系统功能架构优化密度峰值聚类算法[J]. 山东科学, 2023, 36(2): 93-102.
[5]	刘杨, 杨得用, 何昕, 孙强. 基于改进群组层次分析法的机场II/III类运行效益影响因素研究[J]. 山东科学, 2023, 36(1): 90-98.
[6]	曾朝晖,王江锋,教欣萍,熊慧媛,龚希志. 基于集群智能的高速公路交通状态识别算法[J]. 山东科学, 2022, 35(3): 72-81.
[7]	朱士光, 四兵锋, 崔鸿蒙, 薛景文. 基于时空特征提取的城市轨道交通乘客出行目的地预测[J]. 山东科学, 2021, 34(4): 104-113.
[8]	孙志强, 王笑. 基于特征图谱和多指标成分含量测定的不同产地天葵子质量分析[J]. 山东科学, 2020, 33(1): 16-23.
[9]	张敏敏, 赵志国, 刘伟, 崔莉, 王岱杰, 王晓, 赵恒强. HPLC-DAD法同时测定三种来源丹参饮片中水溶性和脂溶性成分[J]. 山东科学, 2019, 32(6): 20-25.
[10]	尹心怡 , 肖贵平, 张铁军. 基于OOPN的穿村镇路段交通安全设施作用研究[J]. 山东科学, 2019, 32(2): 115-124.
[11]	孙悦, 宋瑞, 邱果. 基于乘客需求数据的定制商务班车站点选址方法[J]. 山东科学, 2019, 32(1): 102-112.
[12]	聂琦. 基于微博签到数据的出行行为分析[J]. 山东科学, 2017, 30(6): 87-93.
[13]	刘静，仇大伟. 基于均值漂移的舌体分割算法[J]. J4, 2014, 27(2): 58-62.
[14]	向往, 闫学东, 王江锋. 驾驶模拟器在驾驶行为和心理影响因素研究方面的应用[J]. J4, 2013, 26(6): 69-76.
[15]	华志励, 刘军礼, 刘波. K均值聚类算法在海上目标识别中的应用[J]. J4, 2012, 25(6): 79-81.

基于密度聚类的多向行人流群集区域分布比较

Comparison among the collection region distributions of multidirectional pedestrian flows based on density clustering

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献 23

相关文章 15

Metrics

本文评价

推荐阅读 0